2026帆软智数先锋AI创新大赛
一、企业背景与业务目标
- 企业背景和业务目标
随着全球供应链持续重构和国际航运市场竞争日益激烈，集装箱班轮运输企业正逐步由传统的规模竞争转向精细化运营竞争。对于远洋航线而言，中转运输（Transshipment）已成为连接全球航线网络、提升航线覆盖能力的重要运营模式，也是保障船舶舱位利用率、提高航线盈利能力的重要支撑。然而，中转业务涉及多个港口、多条航线、多家代理及不同船期之间的协同，业务链路长、参与角色多、信息变化快，使得中转管理成为航运企业运营管理中最复杂、最关键的业务场景之一。
近年来，企业持续推进数字化转型，希望通过数据驱动经营管理，实现"降本增效、精细运营、智能决策"的发展目标。在国际中转业务领域，企业不仅关注货物是否能够顺利完成中转，更关注中转过程中的异常风险是否能够被及时发现、快速处置，从而降低甩柜、漏装、错配等问题带来的经济损失，提升客户服务质量和整体运营效率。因此，构建覆盖国际中转全过程的智能监控体系，实现业务全过程透明化、风险预警实时化、决策分析智能化，已成为企业数字化建设的重要方向。
- 业务现状与差距
虽然企业已经建立了Allegro等业务系统，并积累了大量业务数据，但国际中转业务仍主要依赖人工监控和经验管理。业务人员每天需要在Allegro、Loading List、Excel报表、邮件及即时通讯工具之间频繁切换，持续关注不同航次、不同港口以及不同中转节点的货物状态，通过人工筛选和交叉比对判断是否存在异常情况。这种管理模式不仅耗费大量时间，而且随着业务规模不断扩大，数据量呈指数级增长，人工监控方式已难以满足实时、高效、精准的业务管理需求。
与此同时，中转业务具有明显的动态变化特征。从订舱、装船、一程运输、抵港、中转配载到二程装船，每一个环节都可能因船期调整、港口拥堵、舱位变化、客户取消订舱等因素发生变化。一旦某个节点出现异常，如果不能第一时间发现并采取措施，就可能引发后续连锁影响，例如货物无法按计划完成中转、客户交付延期、舱位资源浪费甚至额外操作成本增加。现阶段，业务人员更多是在问题发生后再进行排查处理，缺乏主动预警和智能分析能力，管理方式仍停留在"事后处理"阶段，与企业建设智能运营体系、提升经营效率的发展目标之间仍存在较大差距。
- 工具定位与价值
为进一步提升国际中转业务管理水平，本项目以FineBI为数据分析平台，以AI能力为智能分析引擎，构建国际中转智能监控体系，实现业务监控由"人工巡检"向"智能监控"、由"经验判断"向"数据决策"的全面升级。FineBI负责整合Allegro及相关业务系统数据，建立统一的国际中转指标体系，通过可视化驾驶舱实时展示中转业务运行情况；AI则基于业务规则、历史案例及实时数据，对异常情况进行自动识别、智能分析和风险预警，并生成处理建议，辅助业务人员快速完成决策。
通过FineBI与AI能力的深度融合，国际中转监控不再只是数据展示，而是形成了"数据采集—实时监控—异常识别—原因分析—智能建议—业务处置—结果反馈"的完整闭环。一方面，管理人员能够实时掌握全球中转业务运行状态，快速定位风险航次、异常港口及重点货物；另一方面，业务人员能够借助AI减少重复性数据分析工作，将更多精力投入到业务优化和客户服务中。项目最终实现了国际中转业务全过程数字化、风险管理智能化和经营决策数据化，为企业持续提升运营效率、降低运营风险、推动智能航运建设提供了有力支撑。
- 业务痛点
- 业务场景还原
国际中转业务是班轮运输网络中最复杂、协同要求最高的业务场景之一。一票货物从起运港完成装船后，通常需要经过一个或多个中转港，再衔接二程甚至三程船舶，最终抵达目的港。整个运输过程中涉及多个航次、多个港口、多个代理以及不同业务系统的数据交互，每个环节都可能因船期调整、港口拥堵、订舱变化、舱位限制等因素发生动态变化。
目前，业务人员需要每天持续关注数百票甚至上千票国际中转货物，通过Allegro、Loading List、Vessel Schedule、邮件以及Excel等多个渠道交叉核对货物状态，判断是否存在漏装、错装、未衔接二程船舶、SSR异常、中转超期等风险。当发现异常后，还需要人工联系港口、代理及相关业务部门确认原因，并制定后续处理方案。随着全球航线网络不断扩展，中转货量持续增长，传统依赖人工巡检和经验判断的管理方式已经难以满足实时监控和快速响应的要求。
- 业务痛点说明
国际中转监控最大的挑战在于数据分散、信息滞后以及异常识别效率低。虽然企业已经积累了大量业务数据，但这些数据分散在不同系统和报表中，业务人员需要不断切换系统、重复查询数据，才能完成一次完整的异常排查。大量时间被消耗在数据收集和人工比对上，而真正用于分析问题、制定解决方案的时间却十分有限。
另一方面，目前业务管理仍以"事后处理"为主。当货物发生漏装、错配、甩柜或中转超期等问题时，往往是在客户询问或船舶离港后才被发现，错过了最佳处理时机。由于缺乏统一的数据监控平台和主动预警机制，管理人员无法及时掌握全球中转业务运行状态，也难以及时识别高风险航次、高风险港口及重点异常货物，导致业务处理更多依赖个人经验，不仅增加了运营风险，也影响了客户服务质量。
此外，国际中转业务涉及多个部门协同，异常处理通常需要运营、舱位管理、代理、港口等多个角色共同参与。传统沟通方式主要依赖邮件、电话及即时通讯工具，不仅沟通效率低，而且业务处理过程缺乏统一记录和追踪，容易出现责任界定不清、处理进度不可视等问题，进一步增加了管理难度。
- 痛点量化影响
随着国际中转业务规模不断扩大，人工监控模式所带来的管理成本持续增加。业务人员每天需要投入大量时间进行异常排查和数据核对，不仅降低了整体工作效率，也增加了人为判断失误的风险。一旦异常未能及时发现，可能导致货物延误、额外堆存费用、重新配载成本增加，甚至影响客户交付承诺及企业品牌信誉。
与此同时，由于缺乏统一的数据分析平台，管理层难以及时掌握全球中转业务运行情况，对异常趋势、重点风险港口及关键影响因素缺少全局分析能力，经营决策更多依赖经验而非数据。长期来看，这不仅影响资源配置效率，也制约了企业向精细化运营和智能化管理转型的发展目标。因此，建立覆盖国际中转全过程的智能监控体系，实现异常自动识别、风险主动预警和数据驱动决策，已成为提升国际中转业务管理能力的重要突破口。
三、核心方案
（1）BI方向
- 指标体系构建
针对国际中转业务"数据分散、监控复杂、分析效率低"等问题，本项目基于FineBI构建国际中转智能监控驾驶舱，围绕国际中转全过程建立统一的数据指标体系。平台整合Allegro、船期数据、Loading List及其他业务数据源，打通各业务环节的数据壁垒，将原本分散的数据统一汇聚到同一分析平台，形成覆盖中转全流程的经营分析体系。
指标体系按照业务管理逻辑进行设计，围绕中转货量、中转成功率、中转超期货物、异常货物数量、漏装货物、SSR状态、各港口中转效率、各航次完成情况等核心指标建立统一的数据口径，使管理层能够通过一张驾驶舱实时掌握全球国际中转业务运行状态。同时，通过统一指标标准，避免不同部门因统计方式不同而产生的数据偏差，为经营分析提供一致的数据基础。
图1：目前根据筛选条件下中转在港的货量及平均等泊时间
图2：未来7天内预计进入中转港的货量及平均等泊时间
图3：未来14天内预计进去中转港的货量
图4：未来7天内进中转港的明细表
图5：在港货量按照平均等泊时间的树状图
图6：在港货量按照目的港的树状图
图7：在中转港货量的中转安排明细表
- 异常识别与预警机制
在传统管理模式下，业务人员需要依靠人工逐项核对数据才能发现异常，而新的国际中转监控平台则通过FineBI建立实时异常识别机制，实现由"人工发现问题"向"系统主动发现问题"的转变。
系统根据业务规则自动识别各类风险场景，包括中转超期、漏装风险、SSR异常、二程未匹配、港口异常积压等情况，并通过颜色标识、风险等级及预警列表进行集中展示。管理人员无需逐条查看数据，即可第一时间定位异常业务。同时，结合AI能力，对异常原因进行初步分析，并自动生成风险提示及处理建议，帮助业务人员快速判断问题优先级，提高异常响应效率。
- 多维归因与下钻分析
异常发现只是第一步，快速定位问题根因才是真正体现BI价值的关键。本项目充分利用FineBI多维分析能力，建立灵活的下钻分析机制。管理人员可围绕航线、航次、港口、代理、客户、货物状态等多个维度逐层分析，实现从整体经营情况快速定位到单票货物。
例如，当系统发现某一中转港异常货量持续增加时，可进一步下钻分析异常主要集中在哪条航线、哪个航次、哪些代理或哪些客户，从而快速识别造成异常的核心因素。通过多维联动分析，原本需要多个系统、多张Excel反复核对的数据分析工作，可在一个平台内快速完成，大幅提升问题定位效率，为后续业务决策提供数据支撑。
- 决策动作与闭环
基于FineBI构建的国际中转监控平台，不仅实现了业务可视化，更建立了完整的"监控—预警—分析—决策—反馈"业务闭环。当系统识别异常后，业务人员能够第一时间查看风险详情，通过下钻分析定位原因，并结合AI生成的处理建议制定相应措施，如调整中转配载计划、协调港口优先操作、通知代理跟进异常货物或提前优化后续航次安排。
异常处理完成后，平台持续跟踪业务状态变化，对处理结果进行实时反馈，并同步更新相关经营指标，实现异常处理全过程可追踪、可复盘、可分析。通过这一闭环管理机制，国际中转业务逐步由传统的经验管理模式升级为数据驱动、智能辅助、持续优化的新型管理模式，不仅提升了业务响应速度，也为企业实现全球国际中转业务精细化管理提供了坚实的数据基础。
- 作品模版链接：巴生港中转监控
四、价值量化
1. 核心业务价值
国际中转智能监控平台的建设，不仅实现了业务数据的集中管理和可视化分析，更推动了国际中转业务由“事后处理”向“事前预警、事中监控、事后复盘”的管理模式转变。
项目通过统一整合 Allegro、Loading List、Vessel Schedule 等多源业务数据，将当前在港T/S Cargo、未来7/14天预计到港Cargo、Cargo Destination及T/S Waiting Time等关键信息集中呈现，并按照 Red Sea、Middle East、Backhaul 等业务场景进行分类，使管理人员能够从“人工查找数据”转变为“主动获取业务信息”。
通过实时监控和AI辅助分析，可以提前识别潜在的T/S congestion、Cargo rollover、SSR异常及港口积压等风险，并及时协调Port、Agent及相关业务团队处理，从而将异常处理节点前移，降低异常对Vessel Schedule及Cargo connection的影响。
项目核心业务价值量化如下：
|
价值维度
|
项目实施前
|
项目实施后
|
量化提升
|
|
T/S业务数据获取
|
需人工查询Allegro、Loading List、船期等多个数据源
|
FineBI统一Data Dashboard集中展示
|
数据获取由多系统切换转为单一入口
|
|
当前T/S Cargo监控
|
人工查询、筛选及汇总
|
实时集中展示
|
实现T/S Cargo动态监控
|
|
未来Cargo预判
|
主要依赖人工整理和经验判断
|
自动展示未来7/14天预计到港Cargo
|
由当前监控延伸至未来7/14天预判
|
|
Cargo业务分类
|
人工筛选Red Sea、Middle East、Backhaul Cargo
|
平台统一分类展示
|
减少重复人工筛选
|
|
T/S Waiting Time监控
|
人工跟踪
|
平台集中展示预计Waiting Time
|
实现Waiting Time动态监控
|
|
异常风险识别
|
发现问题后人工处理
|
AI辅助识别高风险Cargo及异常场景
|
由事后处理转向事前预警
|
|
Vessel Schedule优化
|
依赖人工汇总Cargo及港口情况后判断
|
基于实时T/S数据辅助Schedule调整
|
提升Schedule决策及时性
|
2. 管理效率价值
项目上线后，国际中转业务管理方式发生明显改变。过去，业务人员每天需要登录多个系统，通过人工查询、Excel统计、数据筛选及邮件沟通完成异常排查，存在数据分散、查询链路长、重复劳动多、异常发现依赖个人经验等问题。
平台上线后，通过FineBI统一数据驾驶舱，将Allegro、Loading List及Vessel Schedule等数据集中整合，并通过AI能力进行异常识别和信息辅助分析，使业务人员能够快速获取所需信息，将工作重点从“找数据、整理数据”转向“分析数据、解决问题”。
目前项目实际可量化的效率提升主要体现在人工监控时间减少。通过平台自动汇总及可视化展示，预计每日可减少约 30–45分钟的人工数据查询、整理及核对工作。
|
管理效率指标
|
项目实施前
|
项目实施后
|
量化价值
|
|
每日T/S数据监控及整理
|
约60–90分钟/天
|
约15–30分钟/天
|
节省约30–45分钟/天
|
|
每月人工时间投入
|
约20–30小时/月
|
约10–15小时/月
|
节省约10–15小时/月
|
|
年度人工时间节省
|
—
|
—
|
约120–180小时/年
|
|
数据查询方式
|
多系统查询 + Excel整理
|
FineBI统一Dashboard
|
减少多系统重复查询
|
|
异常发现方式
|
人工主动排查
|
Dashboard集中监控 + AI辅助识别
|
由“人找问题”向“系统提示问题”转变
|
|
数据沟通方式
|
不同团队分别查询、统计
|
基于统一数据口径沟通
|
减少重复统计及口径差异
|
注：上述时间数据按照目前实际业务操作效率进行测算，年度节省时间按照12个月计算。
从管理模式来看，项目实现了三个重要转变：
“人找数据” → “数据找人”
“发现问题后处理” → “提前识别风险并处理”
“人工经验驱动” → “数据+AI辅助决策”
同时，平台统一了国际中转业务的数据口径和分析标准，使Operations、Space Management、Agent、Port等相关团队能够基于同一套数据开展沟通和决策，进一步提升跨部门协同效率。
3. 数字资产价值
项目不仅解决了当前国际中转业务的监控效率问题，更沉淀了一套可持续复用的数据资产、指标体系和业务分析模型。
平台以统一数据模型为基础，将T/S Cargo、Vessel Schedule、Booking DEL、Port、Destination、Waiting Time等业务信息进行标准化整合，并建立统一的国际中转监控逻辑。通过FineBI及AI能力，将原本分散在不同系统和个人Excel中的业务经验转化为可复用的数据模型和分析规则。
平台目前的设计并不局限于单一港口或单一航线。未来新增中转港、航线或业务场景时，可通过数据接入及基础配置快速纳入现有监控体系，实现数字能力的持续复用。
|
数字资产指标
|
已形成的数字化能力
|
后续价值
|
|
数据源
|
Allegro、Loading List、Vessel Schedule等多源数据整合
|
持续扩展其他业务数据源
|
|
核心业务维度
|
Cargo、Port、Vessel、Destination、Waiting Time等
|
形成标准化T/S业务数据模型
|
|
时间维度
|
Current + Future 7/14 Days
|
支持实时监控及短期预测
|
|
Cargo分类
|
Red Sea / Middle East / Backhaul
|
可根据业务需求扩展新的Cargo分类
|
|
风险识别
|
T/S congestion、Rollover、SSR等异常监控
|
持续增加AI风险识别规则
|
|
应用范围
|
当前国际中转业务
|
可复制至更多Port、Trade及Vessel
|
|
数据应用方式
|
Dashboard + AI辅助分析
|
从监控进一步向预测及决策支持升级
|
因此，项目形成的不仅是一套单纯的BI Dashboard，而是一套可以持续迭代的国际中转数字化基础能力。随着全球航线网络和中转节点持续增加，平台能够通过“建设一次、持续复用、快速推广”的方式降低后续数字化建设成本，并逐步实现由单点监控向全球T/S网络统一监控的升级。
4. 项目总体价值量化汇总
|
核心价值指标
|
量化结果
|
价值体现
|
|
每日人工时间节省
|
30–45分钟/天
|
减少T/S数据查询、整理及核对工作
|
|
每月人工时间节省
|
10–15小时/月
|
释放业务人员时间用于异常处理及业务优化
|
|
年度人工时间节省
|
120–180小时/年
|
持续降低重复性人工工作
|
|
Cargo预判周期
|
提前7/14天
|
从当前状态监控延伸至未来Cargo风险预判
|
|
数据来源整合
|
Allegro + Loading List + Vessel Schedule
|
打通多源业务数据
|
|
Cargo业务分类
|
Red Sea / Middle East / Backhaul
|
提升Cargo识别及Space Management效率
|
|
核心监控对象
|
Cargo / Port / Vessel / Waiting Time
|
建立统一T/S监控体系
|
|
管理模式
|
事前预警 + 事中监控 + 事后复盘
|
提升国际中转全过程风险管控能力
|
|
数字化能力
|
Dashboard + AI辅助分析
|
从数据展示进一步向智能决策支持升级
|
五、总结沉淀
- 管理制度化
国际中转智能监控平台的建设，不仅解决了当前业务监控效率低、异常发现滞后的问题，更推动企业逐步建立起统一的数据管理体系和经营分析机制。通过统一指标口径、统一业务标准和统一分析平台，不同部门能够基于一致的数据开展经营分析和业务决策，避免因数据来源不同、统计方式不同而产生理解偏差，进一步提升企业整体管理规范化水平。
与此同时，平台将国际中转业务的关键指标纳入统一监控体系，使异常监控、经营分析和业务复盘形成标准化流程，推动国际中转业务逐步实现制度化管理，为企业持续优化经营管理提供稳定的数据支撑。
- 流程自动化
项目充分发挥FineBI与AI协同优势，将国际中转业务中的数据采集、异常识别、风险预警、分析展示等环节进行自动化处理，减少了大量依赖人工完成的数据整理和重复分析工作。系统能够自动获取业务数据、实时更新监控指标，并根据预设规则识别异常情况，为业务人员提供及时的风险提醒，实现业务管理从"人工巡检"向"系统主动监控"转变。
未来，随着AI能力进一步深化，还可以逐步实现自动生成经营分析报告、自动推送异常信息、自动形成处理建议等功能，进一步提升国际中转业务整体自动化水平，为企业建设智能运营体系提供持续动力。
- 经验模型化
本项目不仅沉淀了国际中转业务的分析经验和异常处理规则，更形成了一套可复制、可推广、可持续演进的智能监控模型。通过FineBI统一的数据分析平台和AI能力，将优秀业务人员长期积累的判断逻辑、异常识别规则及处理经验转化为标准化模型，使业务经验真正实现由"个人经验"向"企业能力"的转变。
更重要的是，该模型具有良好的标准化和扩展能力。当企业新增国际中转港口、拓展新的航线网络或进入新的区域市场时，无需重新设计整套监控体系，只需完成相应的数据接入和业务配置，即可快速将新的中转节点纳入统一监控平台，实现全球中转业务的一体化管理。这种模块化、标准化的建设模式，大幅缩短了新业务上线周期，降低了数字化推广成本，为企业未来快速扩展全球中转网络提供了强有力的支撑。
未来，随着更多历史数据的积累和AI模型的持续优化，平台还将不断学习新的业务规则和异常场景，逐步形成覆盖全球国际中转业务的智能分析能力，为企业打造具有持续竞争优势的数字化运营体系，实现数字化能力与业务规模同步成长。
